Bugün DeepSeek, üretim ortamına hazır çıkarım (inference) çerçevesi DeepInfer'ı açık kaynak olarak yayımladı. Birçok kişi daha az işlem gücüyle nasıl daha güçlü modeller çalıştırılacağını tartışıyor.
Tesadüfe bakın ki, ben de aynı yoldan ilerleyen başka bir açık kaynak modeli test ediyordum: Sadece 5B parametreye sahip MOSS-Image. Bu modele ve sözde en güçlü kapalı kaynak model olan GPT Image 2.5'e aynı zorlu görevi verdim.
Sonuç: GPT Image 2.5 ikinci turda başarısız olurken, açık kaynaklı 5B'lik küçük model "Bring in the Wine" şiirinin tamamını iki kez kusursuz şekilde yazdırdı. Li Bai bunu görseydi muhtemelen üç yüz kadeh daha içerdi.
İstem (prompt) şuydu: Mürekkep yıkama tekniğiyle yapılmış bir parşömen tabloda, Li Bai'nin nehir kenarında kadehini kaldırdığı bir sahne oluştur. "Bring in the Wine" şiirinin tam metnini 12 satırlık kaligrafiyle yaz; yanına bir başlık, yazar adı, bir adet mühür kırmızısı kaşe ve üç satır İngilizce metin ekle. Taş platformun üzerinde tam olarak 4 şarap kadehi olmalı—ne fazla ne eksik.
Başta kapalı kaynak modelin kolayca kazanacağını düşünmüştüm. İlk turda ikisi de birbirine denk çıktı. Ancak ikinci turda sadece iki detayı değiştirdiğimde GPT Image 2.5 kadehleri sayamadı, MOSS-Image ise her iki seferde de doğru bildi.
Aşağıda MOSS-Image tarafından üretilen 2 görsel yer alıyor
Aşağıda GPT Image 2.5 tarafından üretilen 2 görsel yer alıyor
Bu test neden zor?
Bu istemi bilerek zor olacak şekilde yazdım.
Bu ünlü şiirin 12 dizesi ve 170'ten fazla karakteri var; bunların tablo üzerine tek bir hata olmadan akan yazıyla (running script) yazılması gerekiyor. Daha önce birçok modeli test ettim; karakter sayısı arttığında hatalar başlamaya başlıyor.
Şarap kadehlerinin sayısını özellikle ekledim çünkü yapay zeka görsel üretimi nesneleri saymakta notoriously kötüdür.
Üstelik sahnede pek çok unsur var: nehir manzarası, Li Bai, başlık, kaşe, şiirin tamamı ve üç satır İngilizce metin; hepsinin belirli konumlarda olması gerekiyor. Sonuna da bir kısıtlama ekledim: başka metin yok ve yalnızca bir kaşe.
1. Tur: İkisi de Geçti
İlk turda taş platform üzerinde 2 şarap kadehi istedim ve İngilizce metnin son satırı "Let us drink away the sorrows of all ages." idi.
Görseller çıktığında tek tek kontrol ettim: şiirde hata yok, sadece bir kaşe, İngilizce metin doğru ve tam 2 kadeh. Her iki model de bu turu sorunsuz geçti.
Fark esas olarak estetikteydi. MOSS-Image versiyonunda mürekkep yoğunluğu değişkendi, boşluklar rahattı ve gerçek bir asılı parşömen gibi görünüyordu. GPT Image 2.5 ilk bakışta iyi görünse de yakınlaştırıldığında fırça darbelerinin daha düz olduğu ve geleneksel mürekkep yıkamanın o ince dağılma etkisinden yoksun olduğu ortaya çıktı.
2. Tur: Küçük Değişiklikler Büyük Farkları Ortaya Çıkardı
Ardından sadece iki şeyi değiştirdim:
- Kadeh sayısını 2'den 4'e çıkardım.
- İngilizce metnin son satırının ardından "Cheers" kelimesini ekledim.
Mantıksal olarak bunlar çok küçük değişiklikler. Sonuçlar şöyle oldu:
- MOSS-Image: İki değişikliği de doğru yaptı. Tam 4 kadeh, "Cheers" eklendi, 12 satırlık şiir ve kaşe bozulmadan korundu.
- GPT Image 2.5: "Cheers" kelimesini ekledi ama kadeh sayısını karıştırdı. 4 kadeh gerekiyordu ama 5 tane çizdi.
Elbette bu sadece bir istem seti ve tüm senaryoları temsil etmiyor. Ancak "uzun metin ve hassas kontrol" konusunda açık kaynaklı 5B modeli etkileyici bir performans sergiledi.
5B'lik Küçük Bir Model Bunu Nasıl Yapabiliyor?
Bu teste geri dönüp baktığımızda, MOSS-Image'in her iki turdaki başarısı birkaç yeteneğe dayanıyor:
- Hassas Çince/İngilizce Yazdırma. Akan yazıyla yazılmış 170'ten fazla karakterden oluşan 12 satırlık Çince metinde hiçbir yazım hatası veya eksiklik yoktu. Alttaki üç satır İngilizce metin ve eklenen "Cheers" kelimesi de gayet netti.
- Uzun İstemleri Eksiksiz Anlama. 4K token'a kadar istemleri destekliyor. Benim istemim stil, sahne, başlık, şiir, İngilizce metin ve negatif kısıtlamalar içeriyordu. Baştan sona hiçbir detayı atlamadan her şeyi takip etti. Bu yüzden ikinci turda kadeh sayısını değiştirip bir kelime eklediğimde, geri kalanı bozmadan her iki güncellemeyi de başarıyla uyguladı.
- Kontrol Edilebilir Stil. Bu test pirinç kağıdı mürekkep yıkama dokusu gerektiriyordu ve model fotogerçekçi ya da 3D stillere kaymadı. Geleneksel Çin stilinin yanı sıra anime, illüstrasyon ve foto-gerçekçilik tarzlarını da işleyebiliyor.
Çalışmalarınızda kullanmak isterseniz bilmeniz gereken iki nokta var: Birincisi, yapılandırılmış JSON Layout'u destekliyor; bu sayede metin ve öğe konumlarını doğrudan belirleyebilir, posterler, e-ticaret görselleri ve sosyal medya kapakları için kompozisyon kontrolünü iyileştirebilirsiniz. İkincisi, hem Base hem de SFT versiyonlarının ağırlıkları, kodları ve kullanım kılavuzları açık kaynak olarak sunuluyor. SGLang ve vLLM-Omni ilk günden destek sağlıyor, böylece LoRA ince ayarı veya ikincil geliştirmelere başlamak oldukça kolay.
Test Yöntemi ve İstem İpuçları
Süreç basitti: her iki model de aynı istemi kullandı. Birinci turu çalıştırdıktan sonra iki detayı değiştirip ikinci turu çalıştırdım. MOSS-Image resmi deneyim platformunda, GPT Image 2.5 ise ChatGPT üzerinden çevrimiçi olarak üretildi.
Bunun gibi karmaşık istemler yazmak için üç ipucum var:
- Önce Sanat Stilini ve Malzemeyi Belirleyin. Pirinç kağıdı, mürekkep yıkama, mineral pigmentler belirtin ve görselin gerçekçiliğe kaymasını önlemek için "fotoğraf değil, 3D değil" ifadesini ekleyin.
- Bölgelere Göre Tanımlayın. Sol alttaki sahneyi, sağ üstteki başlık ve kaşeyi, sağ yarıdaki şiiri ve alttaki İngilizce metni ayrı ayrı tarif edin. Blokları ayırmak modelin talimatları takip etmesini kolaylaştırır.
- Negatif Kısıtlamalarla Bitirin. Görseli temiz tutmak için sonuna "Başka metin yok, ekstra kaşe yok, filigran yok" ekleyin.
İstemin Tamamı
İşte ilk turda kullanılan, kopyalayıp hemen deneyebileceğiniz istemin tamamı:
1Sıcak fildişi rengi xuan kağıdına yapılmış geleneksel bir Çin mürekkep yıkama tablosu, uzun dikey parşömen formatında. Katmanlı siyah mürekkep, yumuşak gri tonlamalar, soluk mavi-yeşil mineral pigment, açık okra rengi, görünür kağıt lifleri, tüylü ıslak mürekkep kenarları, kuru fırça dokusu. El boyaması, fotoğraf değil, 3D değil.2Sol ve alt kısımdaki sahne: bulutlarla örtülü dağlardan fışkıran coşkulu bir nehir, akan mürekkep çizgileri ve boş kağıt alanlarıyla çizilmiş. Aşınmış kayalıklar, katmanlı uzak zirveler, rüzgarda eğilmiş bir çam ağacı, süzülen sis, ince bulutların ardında soluk bir ay. Nehir kenarındaki kayalık bir terasta, bol fildişi rengi cübbeler giymiş ve saçını basit bir topuz yapmış bir şair, küçük bir şarap kadehini gökyüzüne kaldırıyor. Yanındaki düz bir taşın üzerinde yuvarlak seramik bir şarap küpü ve iki kadeh duruyor.3Sağ üst: büyük ve kalın fırça darbeleriyle yazılmış başlık 《将进酒》, altında yazar adı 李白, yazar adının yanında üzerinde 诗酒 yazan tam olarak bir küçük mühür kırmızısı kaşe.4Sağ yarı: şiirin tamamı, temiz ve net okunabilen düzenli-akan yazı (regular-running script) Çin kaligrafisiyle, tam olarak 12 yatay satır halinde, eşit satır aralıklarıyla, her karakter doğru şekilde, net boş kağıt üzerine yazılmış:5Satır 1: 君不见，黄河之水天上来，奔流到海不复回。6Satır 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。7Satır 3: 人生得意须尽欢，莫使金樽空对月。8Satır 4: 天生我材必有用，千金散尽还复来。9Satır 5: 烹羊宰牛且为乐，会须一饮三百杯。10Satır 6: 岑夫子，丹丘生，将进酒，杯莫停。11Satır 7: 与君歌一曲，请君为我倾耳听。12Satır 8: 钟鼓馔玉不足贵，但愿长醉不复醒。13Satır 9: 古来圣贤皆寂寞，惟有饮者留其名。14Satır 10: 陈王昔时宴平乐，斗酒十千恣欢谑。15Satır 11: 主人何为言少钱，径须沽取对君酌。16Satır 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。17Alt orta, üç satır halinde küçük koyu gri serif İngilizce metin:18BRING IN THE WINE19Li Bai20Let us drink away the sorrows of all ages.21Tablonun başka hiçbir yerinde başka metin, ekstra kaşe veya filigran yok.
İkinci turda sadece iki değişiklik yapıldı:
- Sahne açıklamasındaki "iki kadeh" ifadesi "dört kadeh" olarak değiştirildi.
- İngilizce metnin son satırının ardından "Cheers" eklendi.
Geri kalan her şey aynen korundu.
Sıra Sizde
Açık kaynaklı 5B'lik bir model, "Bring in the Wine" şiirinin tamamını bir mürekkep yıkama parşömenine yazabiliyor ve kadeh sayısını tam olarak doğru tutturuyor.
Şu anda MOSS-Image, ComfyUI'da 700.000 indirmeyi aştı. Sadece benim sözüme güvenmeyin, kendiniz deneyin 👇
🤗 Ücretsiz Çevrimiçi Deneyim: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image
⭐ Ağırlıklar ve Kod için GitHub: https://github.com/OpenMOSS/MOSS-Image
Bununla neler yaratacaksınız? Görsellerinizi yorumlarda paylaşın. Hadi birlikte kadehlerimizi kaldıralım. Şerefe 🍶
